qq_52693499的博客

本文详解LangChain中Tools如何赋予Agent外部交互能力，突破模型仅能“聊天”的局限。通过@tool装饰器、Pydantic模型与JSON Schema三种方式，实现查数据、调接口、执行计算等真实任务。重点演示了工具定义、参数校验、错误处理及异常兜底实战，助力Agent从“会说话”迈向“能干活”。

同一个模型，不同的提示词，输出质量天差地别；同一个 Agent，面对普通用户和 VIP 用户，本应给出不同风格的回答；你想让 Agent 专注某个领域，但它总是“跑题”。在 LangChain 中，提示词为 Agent 提供了任务背景、行为准则和操作指南。通过参数设置，它本质上定义了 Agent 的“角色”和“使命”。基础设置：创建 Agent 时传入一个固定的动态设置：根据运行时上下文或 Agent 状态，实时生成不同的提示词如何用字符串和设置基础提示词如何用中间件实现动态提示词。

本文详解如何让大模型稳定输出结构化数据（如JSON、Pydantic模型等），解决自然语言输出导致程序解析困难的问题。介绍三种定义输出结构的方式：Pydantic模型（推荐）、TypedDict和JSON Schema，以及两种获取结构化结果的方法：with_structured_output与输出解析器。针对国内模型不支持该功能的情况，提供替代方案，并演示如何同时获取结构化结果与原始AI回复，提升应用可靠性与自动化水平。

本文系统讲解LangChain 1.2中流式、批量与异步调用的核心用法。通过stream实现打字机式实时输出，提升用户体验；利用batch与batch_as_completed并行处理多任务，显著提升吞吐量；结合ainvoke、astream、abatch实现非阻塞异步调用，避免主线程阻塞，适用于高并发场景。三者协同可大幅提升应用性能与响应性，是构建高效LLM应用的关键技能。

在 LangChain 中，模型调用（Invocation）是指通过特定方法触发大语言模型生成输出的过程。它的工作模式是阻塞式的，即程序会等待模型完全生成整个响应后，再一次性将结果返回给用户。同样，如果使用的模型供应商没有对应的 provider，但是该模型供应商支持标准 OpenAI 访问，那么可以设置。方法非常灵活，支持三种形式的输入：单条消息、消息列表（字典格式）、消息列表（消息对象格式）。该方式是最简单的方式，直接传入一个问题或指令，适用于不需要保留对话历史的简单生成任务。

LangChain是一款2022年诞生的开源框架，由哈里森·蔡斯创建，旨在通过链式架构连接大语言模型与外部工具、数据源和记忆机制，突破LLM在知识时效性、外部交互和状态保持方面的局限。其核心特性包括统一模型接口、模块化设计、智能体与工具调用、记忆管理，广泛应用于RAG、智能体构建、对话系统、数据处理等场景。2025年发布v1.0.0版本，标志着框架成熟，支持基于LangGraph的统一智能体编排，为企业级应用提供稳定基础。

本文系统讲解LangChain模型初始化方法，涵盖OpenAI、Anthropic、DeepSeek、Ollama、腾讯混元、通义千问、智普AI等主流模型的配置与调用。通过环境变量管理API密钥，使用ModelClass或统一init函数实现多模型实例化，并提供测试代码验证连接。支持OpenAI兼容接口，便于扩展非官方模型。附各平台API获取指南，助力快速上手多模型开发。